基于FPGA机器视觉系统研究及应用.docVIP

基于FPGA机器视觉系统研究及应用 　　摘 要 　　基于FPGA的机器视觉系统具有良好的性能、能耗低而且体积小，在视觉系统中具有良好的应用前景。文章对FPGA在机器视觉系统中的应用做了一些介绍，并指出了还存在一些问题，需要经过不断研究和发展。 　　【关键词】 FPGA 视觉系统 算法 　　【关键词】 FPGA 视觉系统 算法 　　1 前言 　　机器视觉系统一般要处理一系列的信息才能获得有用的信息，它利用机器替代人的眼睛进行测量和感官。这是一种仿造人类视觉和大脑的系统，具有高度的自动化性能，所以机器视觉系统系统的发展程度也被当做现代工业发展水平的衡量标准之一。随着计算机技术的不断发展，特别是数字图像处理、多媒体、集成电路的飞快发展，机器视觉系统在各领域中应用越来越广泛，并得到了广泛的认可。 　　机器视觉系统一般由三个主要部分构成：图像的获取、处理和分析以及输出，这些主要是通过计算机处理。然而，受到计算机CPU的限制，那些计算非常复杂的视觉算法很难及时有效地得到解决，很难满足系统的正常需求。虽然现在有些计算机采用GPU，具有很高的计算速度，但是它同样有体积大、功耗高等不足之处，很难利用自身携带的电池进行长时间的运作。 　　专用集成电路ASIC（Application Specific Integrated Circuit）的应用可以很好地解决机器视觉系统的功耗、体积及其性能之间的问题，但是，它具有很长的开发周期，不方便修改，并且不能广泛通用。 　　FPGA（Field Programmable Gate Array）是一种高性能的可编程控制的逻辑器件，它的内部逻辑能使用编程的方法来实现，操作较简单方便，能实现高速计算的同时，也具有较低的功率消耗，这方面远远优于CPU和GPU视觉系统（前者通常功耗在1W以下，后两者一般可以达到100W）。所以，随着FPGA技术不断发展，它在视觉机器中应用越来越广泛，是视觉系统重要的发展方向。 　　2 FPGA上实现低层图像处理算法 　　低层图像处理包括了图像滤波、边缘检测等最基本的图像处理运算，它们一般需要大量单一的运算，并且可以同时并行运算，这些特点非常适合FPGA来操作。 　　2.1 图像滤波与降噪 　　图像滤波的主要功能是将图??平滑化处理以及降低其噪音等，这是在图像处理中最常用的一种方法。滤波一般使用基于窗口操作的流水线结构，其中一种具有高效的结构方案是Systolic，它不仅具有普遍滤波适用性，还能够实现图像的灰度形态学操作，完成图像匹配等多种功能。 　　图像滤波主要采用卷积运算，卷积的计算方式为：（1）卷积核绕自己的核心元素沿着顺时针的方向旋转180°；（2）将卷积的核心元素移到输入图像等待处理的像素的上方；（3）在卷积核中，使用输入图像的像素值作为权重进行乘法运算；（4）将（3）中计算的结果进行相加，所得的和作为输出像素。FPGA的内部图像卷积核在设计过程中，其窗口大小、参数、输入像素字长以及图像大小是可以调节的，可以满足用户不同的图像处理需求。 　　图像滤波还有其他的一些方法，例如使用FPGA可以实现中值滤波、小波域图像降噪以及基于遗传算法的滤波等等，它们都能大幅提高滤波的某一或者多方面的性能要求。 　　2.2 边缘检测 　　边缘检测主要是为了检测出数字图像中亮度变化十分明显的点，这些点一般能够反映出事物的重要事件和变化，主要有深度断裂、方向不一致、照明条件改变等等内容。边缘检测能够去掉那些与图像不相关的信息，从而有效地减少数据处理量并且不会改变图像最重要的结构信息。 　　Canny算子可以有效地处理受白噪声干扰的阶跃型边缘，它包括了去噪声、寻找图像中的亮度梯度以及在图像中跟踪边缘等步骤，但是这种算法有点复杂。将FPGA应用到Canny算法中能优化检测效果。 　　3 利用FPGA实现特征点提取和图像匹配 　　特征点提取和图像匹配与上面所述的低层图像处理不同，它是较高层的操作，在它的基础之上可以实现物体识别、三维视觉以及目标跟踪等。 　　3.1 SIFT算法 　　SIFT算法是Scale Invariant Feature Trans form的简称，它能够实现图像的平移、旋转以及尺度不变等功能，运用此算法能正确定位特征点，还能提取良好的特征描述符，以实现对特征点良好的匹配。然而这种算法十分复杂，在计算机上运行时需要耗费大量的时间，难以满足用户的及时要求。 　　将计算机的硬件和软件进行合理的分工协作，发挥FPGA的并行计算能力可以有效解决SIFT算法的速度问题。采用硬件计算来实现特征点的定位检测，使用Nios II软核的计算提取特征描述符。使用这种方法，对于320x240的图像处理时间不会超过0.8ms，可以满足用户的一般需求。 　　3